[发明专利]基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端

权利要求书

1.基于深度霍夫优化投票的时敏单目标跟踪方法，其特征在于：包括以下步骤：

使用PointNet++网络提取模板点云P_temp和搜索点云P_sea的几何特征，并生成模板种子点集Q和搜索种子点集R；通过计算Q和R的相似度矩阵T将目标信息编码到搜索空间中，生成编码了目标信息的搜索种子点集D；

编码后的搜索种子点d_j通过投票产生对应的潜在目标中心点c_j，并基于置信度得分B从潜在目标中心C中筛选出具有高置信度的潜在目标中心E；

采样和聚集高可信度的潜在目标中心E，产生K个提议，具有最高得分的提议作为最终的预测结果Φ；

采用模板点云更新策略γ，基于前一帧目标的预测结果更新模板点云P_temp。

2.根据权利要求1所述的基于深度霍夫优化投票的时敏单目标跟踪方法，其特征在于：所述使用PointNet++网络提取模板点云P_temp和搜索点云P_sea的几何特征，并生成模板种子点集Q和搜索种子点集R，包括：

向PointNet++网络输入模板点云和搜索点云得到模板种子点集和搜索种子点集其中M₁代表模板种子点集Q中种子点的数量，M₂代表搜索种子点集R中种子点的数量，q_i和r_j分别代表模板种子点和搜索种子点，由三维坐标和特征构成；

所述通过计算Q和R的相似度矩阵T将目标信息编码到搜索空间中，生成编码了目标信息的搜索种子点集D，包括：

使用余弦距离计算Q和R之间的相似度，生成相似度矩阵T＝(M₂，M₁)，计算公式如下所示：

其中，T_j，i是T中的第j行，表示了r_j与Q中所有种子点的相似度；

使用Q的空间坐标和特征增强，每个T_j，i得到一个大小为M₁×(1+3+d₁)的张量；通过包括多层感知机络和最大池化的操作ψ得到r_j的特定目标特征最后，通过合并的三维坐标和特定目标特征生成编码目标信息的搜索种子点集

3.根据权利要求2所述的基于深度霍夫优化投票的时敏单目标跟踪方法，其特征在于：所述编码后的搜索种子点d_j通过投票产生对应的潜在目标中心点c_j，并基于置信度得分B从潜在目标中心C中筛选出具有高置信度的潜在目标中心E，包括：

每个d_j通过多层感知机预测出和以生成其中是指通过预测出的当前搜索种子点到目标中心的三维坐标偏移量，是指通过预测出的当前搜索种子点到目标中心的特征偏移量；

每个d_j通过多层感知机预测出一个置信度得分在真实目标表面的种子点被认为是高置信度的，其余的被认为是低置信度的，总置信度得分为

根据置信度得分从潜在目标中心中挑选出具有高置信度的潜在目标中心其中，e_k表示得分排名在前50％的种子点。

4.根据权利要求3所述的基于深度霍夫优化投票的时敏单目标跟踪方法，其特征在于：采样和聚集高可信度的潜在目标中心E，产生K个提议，具有最高得分的提议作为最终的预测结果Φ，包括：

每个e_k可以以R半径使用球查询来聚集生成一个簇G_k，其中G_k＝{e_l|||e_l-e_k||₂＜R}；

采用最远点采样从E中计算出大小为K的子集，作为簇中心生成K个簇；

最后，每个簇通过包括多层感知机络和最大池化的操作ω得到提议得分S_t和提议P_t，选取具有最高得分的P_t来生成最后的预测结果Φ；

其中，表示簇中心点到预测中心点的偏移，表示X-Y平面的旋转角度；其中表示簇中心点的三维坐标。